如何计算 r 中的优势比（举例）

在统计学中，优势比告诉我们治疗组中发生事件的几率与对照组中发生事件的几率之比。

在对 2 × 2 表进行分析时，我们经常计算优势比，其格式如下：

要计算 R 中的优势比，我们可以使用epitools包中的oddsratio()函数。

以下示例展示了如何在实践中使用此语法。

示例：计算 R 中的优势比

假设 50 名篮球运动员正在使用新的训练计划，50 名篮球运动员正在使用旧的训练计划。在节目结束时，我们会测试每个玩家，看看他们是否通过了特定的技能测试。

下表显示了通过和失败的玩家数量（基于他们使用的程序）：

假设我们要计算优势比来比较玩家使用新程序与使用旧程序通过技能测试的机会。

以下是在 R 中创建此矩阵的方法：

 #create matrix
program <- c(' New Program ', ' Old Program ')
outcome <- c(' Pass ', ' Fail ')
data <- matrix(c(34, 16, 39, 11), nrow= 2 , ncol= 2 , byrow= TRUE )
dimnames(data) <- list(' Program '=program, ' Outcome '=outcome)

#view matrix
data

             Outcome
Program Pass Fail
  New Program 34 16
  Old Program 39 11

以下是如何使用epitools包中的oddsratio()函数计算优势比：

 install. packages (' epitools ')

library (epitools)

#calculate odds ratio
oddsratio(data)

$measure
             odds ratio with 95% CI
Program estimate lower upper
  New Program 1.0000000 NA NA
  Old Program 0.6045506 0.2395879 1.480143

$p.value
             two-sided
Program midp.exact fisher.exact chi.square
  New Program NA NA NA
  Old Program 0.271899 0.3678219 0.2600686

$correction
[1] FALSE

attr(,"method")
[1] “median-unbiased estimate & mid-p exact CI”

优势比为0.6045506 。

我们将此解释为，使用新程序的玩家通过测试的几率仅为使用旧程序的玩家通过测试的几率的 0.6045506 倍。

换句话说，通过使用新程序，玩家通过测试的几率实际上降低了约39.6%。

我们还可以使用结果底部和顶部列中的值来构建以下优势比的 95% 置信区间：

比值比的 95% 置信区间： [0.24, 1.48] 。

我们 95% 确信新旧训练计划之间的真实优势比包含在该区间内。

输出中的midp.exact列还显示与优势比相关的 p 值。

该 p 值为0.271899 。由于该值不小于 0.05，因此我们可以得出结论，优势比不具有统计显着性。

换句话说，我们从优势比得知，玩家使用新程序的成功机会低于使用旧程序的成功机会，但这些机会之间的差异实际上在统计上并不显着。

其他资源

以下教程提供了有关优势比的其他信息：

优势比与相对风险：有什么区别？
完整指南：如何报告优势比
如何计算优势比的置信区间